CN101739825A - 基于gps浮动车的交通数据故障识别与修复方法 - Google Patents

Abstract

一种基于GPS浮动车的交通数据故障识别与修复方法，涉及交通信息处理方法，通过实时进行浮动车停车状态识别，得到车辆停车持续时间，然后结合交叉口控制信号配时数据进行单车路段行程速度数据的有效性识别，通过计算机处理器实时判断进行单车路段行程速度数据的离散性识别及突变性识别，进行缺失数据的修复，得到单车路段行程速度数据的正确性识别。

Description

基于GPS浮动车的交通数据故障识别与修复方法

技术领域

本发明涉及智能交通领域中的交通信息采集与处理技术，具体是一种服务于交通诱导系统与交通状态识别系统的基于GPS浮动车的交通数据故障识别与修复方法。

背景技术

行程速度作为反映道路拥挤程度最为直观的交通参数，历来受到交通管理与控制部门的高度重视。行程速度数据的精确度、时效性与完整性，直接影响动态交通管理措施的应用效果。因此，获得准确、实时、充足的行程速度数据是交通信息采集技术研究的重要目的之一。

GPS浮动车作为行程速度采集的主要手段，以其具有建设周期短、覆盖范围广等优点，同时便于和车辆调度、监控系统共享基础数据及系统框架，自其问世以来，迅速获得世界各国的关注。

目前，有关GPS浮动车交通信息采集技术的研究主要分为单车路段行程速度(Individual Link Speed，ILS)估计与路段平均行程速度(Average Link Speed，ALS)估计两个内容。ILS估计方法大多只是考虑如何利用GPS和GIS数据重现车辆的运行过程，从而得到车辆经过路段的平均速度或者消耗的全部时间，并将这些ILS数据直接用于ALS实测数据的计算，而忽略了单车运行过程的个体特征对数据质量的影响。ALS估计方法大多只是判断实测数据是否缺失，并且依据判断结果选择输出实测数据，还是历史趋势数据，而忽略了交通环境相关的随机因素对数据质量的影响。

发明内容

本发明利用基于GPS浮动车的单车路段行程速度采集系统获取的单车路段行程速度数据，研究基于GPS浮动车的交通数据故障识别与修复方法。

本发明具体包括单车路段行程速度数据故障识别与修复方法和路段平均行程速度数据故障识别与修复方法：单车路段行程速度数据故障识别与修复过程主要考虑数据的有效性与离散性两个方面；路段平均行程速度数据故障识别与修复过程主要考虑数据的缺失性、突变性与正确性三个方面。

本发明解决其技术问题所采用的技术方案是：

1)通过实时进行浮动车停车状态识别，得到车辆停车持续时间，然后结合交叉口控制信号配时数据进行单车路段行程速度数据的有效性识别，从而消除浮动车长期异常停车对路段平均行程速度数据质量的影响。

2)通过实时判断同一数据分析时间间隔内的单车路段行程速度样本数据的标准离差率是否超过阈值，进行单车路段行程速度数据的离散性识别，从而消除离散程度较大的单车路段行程速度数据对路段平均行程速度数据质量的影响。

3)通过实时检测路段平均行程速度实测数据偏离历史趋势数据的幅度是否超过阈值，进行路段平均行程速度实测数据的突变性识别，以便明确实测数据能否反映真实的道路拥挤程度。

4)根据当前数据分析时间间隔前一间隔的路段平均行程速度实测数据是否发生突变，选择采用路段平均行程速度的历史趋势数据还是相邻数据分析时间间隔的输出数据进行缺失数据的修复。

5)选择适当数量的路段平均行程速度历史趋势数据，采用σ原则设置正常数据的上限和下限，进行单车路段行程速度数据的正确性识别，从而剔除随机波动较大的路段平均行程速度实测数据。

本发明的显著效果在于：本发明提供的基于GPS浮动车的交通数据故障识别与修复方法克服了已有GPS浮动车交通数据采集系统直接输出实测数据，不考虑其精度高低的问题，使得输出交通数据的质量显著提高，输出交通数据的数量显著增加，从而可为交通状态识别系统和车辆动态导航系统提供更加可靠的决策支持，以便帮助出行者选择更加便捷的出行路线。

附图说明

图1是ILS离散数据修复流程图示；

图2是ALS实测数据故障识别与修复流程图示。

具体实施方式

1)交通数据的故障识别指标是一种反映交通数据质量好坏程度的度量，确定合理的识别指标是进行交通数据故障识别与修复的前提条件。针对任意数据分析时间间隔(相邻两次计算ALS实测数据的时间间隔)内的每个ILS数据的特点以及所有ILS数据之间的关系，本发明选择有效性和离散性作为ILS数据的故障识别指标，即对ILS数据分别进行有效性识别和离散性识别。通过浮动车的GPS系统，得到车辆停车持续时间，结合交叉口控制信号器的配时数据获得车辆的速度和行车距离数据，经过信号传输装置送至交通指挥中心的计算机处理器，进行单车路段行程速度数据的有效性识别。

(1)有效性。依据导致车辆停车的原因不同，可将车辆的停车分为正常停车和异常停车。正常停车是指车辆受到交通控制手段、整体交通状态等因素的影响而停驶；异常停车是指个别车辆由于某种特殊原因而停驶，例如车辆抛锚、停靠待客等。正常停车可以反映真实的道路拥挤程度，所以不会影响所得交通数据的质量，然而，异常停车往往属于个体行为，不能准确反映真实的道路拥挤程度，特别是停车时间过长的情况。为了消除长期异常停车对交通数据质量的影响，需要进行ILS数据的有效性识别。

(2)离散性。对于某一数据分析时间间隔，车流的运行状态并不平稳，特别是城市道路受到交通控制措施的影响，这种波动更加明显。例如，相比跟随饱和车流通过信号交叉口的车辆，自由通过信号交叉口的车辆的行驶速度较大。显然，数量仅占交通流量少数的GPS浮动车的运行状态不能完全代替车流的整体运行状态。因此，对于ILS数据离散程度较大的情况，不应采用所有ILS数据的均值作为ALS实测数据。为了能够选出可以准确反映车流整体运行状态的ILS数据用于ALS实测数据的计算，需要进行ILS数据的离散性识别。

依据前文确定的ILS数据故障识别指标，本发明将ILS数据故障识别过程分为有效性识别和离散性识别两个方面。

(1)有效性识别

GPS接收设备采集的车辆空间状态数据主要包括位置坐标、瞬时速度、航向。对于车辆停车状态，GPS序列通常表现为位置坐标集中分布，或者瞬时速度持续偏低，或者航向变化幅度较大。因此，可以依据GPS序列的位置坐标、瞬时速度以及航向分别设计GPS浮动车停车状态识别方法。同时，如果经过实验证明，GPS位置坐标、瞬时速度以及航向数据中不止一项比较准确，此时不同方法可以融合使用。

停车状态识别的直接目的是确定GPS浮动车的停车持续时间，进而结合控制信号配时数据进行长期异常停车的识别，从而消除其对所得交通数据质量的影响。具体的讲，如果停车持续时间大于最大红灯时长，则可以认为本次停车为长期异常停车，即其对应的ILS数据无效。

(2)离散性识别

对于ILS数据样本数量n＝0、1的情况，显然无法进行数据的离散性识别。对于n＞1的情况，本发明采用公式(1)进行ILS数据的离散性识别，如果公式所示条件成立，则可以认为ILS数据离散。

CV≥CV′    (1)

$\mathrm{CV}=S/\stackrel{\‾}{X}---\left(2\right)$

式中：CV——ILS样本数据标准离差率；

      CV′——ILS样本数据标准离差率的阈值；

      S——ILS样本标准差；

——ILS样本均值。

同理，本发明将ILS数据故障修复过程分为无效数据修复和离散数据修复两个方面。

(1)无效数据修复

由于无效的ILS数据源于GPS浮动车的个体特殊行为，不能反映真实的道路拥挤程度，因此应该将其剔除，即不参与ALS数据的计算。

(2)离散数据修复

根据离散状态的复杂程度不同，可将ILS离散数据的修复分为两种情况：

第一，当n＝2时，因为难以断定较小的ILS数据是由真实的交通状态所致，还是GPS浮动车的某些个体特殊行为所致(短期异常停车，车辆故障造成的缓行等)，因此应该将其剔除，同时保留较大的ILS数据用于ALS实测数据的计算；

第二，当n＞2时，可以依据公式(3)判断选出相比样本数据平均趋势偏离幅度最大的ILS数据，同时将其剔除，然后循环往复，直到公式(1)所示条件不再成立。

$v_k-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i=\underset{1\≤j\≤n}{\max }\left(\right|v_j-\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{v}_i\left|\right)---\left(3\right)$

式中：v_k——相比样本数据平均趋势偏离幅度最大的ILS数据；

      v_i、j——ILS样本数据i或j。

可表达如下：

①输入ILS数据，判断ILS样本数量是否小于2，若是，则无法识别ILS离散数据，否则进行步骤②；

②判断公式(1)是否成立，若是，则进行步骤③，否则没有ILS离散数据；

③判断ILS样本数量是否等于2，若是，则剔除较小的ILS离散数据，否则依据公式(3)剔除离散程度最大的ILS数据，然后进行步骤②。

综上所述，ILS离散数据的识别与修复流程如图1所示。

2)根据不同的表现形式，可将ALS实测数据分为缺失数据、突变数据、错误数据及正常数据四类。为了完成对这四类ALS实测数据的区分，本发明选择缺失性、突变性及正确性作为ALS实测数据的故障识别指标，即对ALS实测数据分别进行缺失性识别、突变性识别及正确性识别。

(1)缺失性。对于某一数据分析时间间隔内的某条路段，如果其上没有GPS浮动车驶过，或者经过ILS数据的故障识别与修复以后样本数量为0，则此时没有ALS实测数据可供用户使用。为了保证ALS实测数据能够满足其它环节的计算需要，应该进行ALS数据的缺失性识别。

(2)突变性。交通事故、大型活动、自然灾害等因素容易导致路段交通状态偏离正常的历史趋势，此时ALS实测数据产生突变。尽管突变的ALS实测数据不能体现数据序列的历史趋势，但与错误数据不同，前者可以反映真实的道路拥挤程度。为了区分突变数据和错误数据，以便分别采取更加合理的处理方法，需要进行ALS数据的突变性识别。

(3)正确性。由于人为因素、GPS系统误差以及GPS浮动车系统故障的影响，ALS实测数据可能出现较为明显的波动。错误的ALS实测数据不仅无法体现数据序列的历史趋势，而且不能反映真实的道路拥挤程度。为了识别出错误的ALS实测数据，并且加以适当修复，需要进行ALS数据的正确性识别。

依据前文确定的ALS数据故障识别指标，本发明的ALS实测数据的故障识别过程分为缺失性识别、突变性识别及正确性识别三个方面。

(1)缺失性识别

对于某一数据分析时间间隔内的某条路段，如果搜索不到ALS实测数据，即ILS数据样本数量n＝0，则表明ALS实测数据缺失。

(2)突变性识别

如果对于连续m个数据分析时间间隔，ALS实测数据偏离历史趋势的幅度超过阈值，即公式(4)所示条件成立，则可以认为ALS实测数据已经发生了突变。经过一段时间，如果对于连续m个数据分析时间间隔，公式(5)所示条件成立，则可以认为数据的突变结束。

$\min \left(\right|\frac{V\left(t\right)-\stackrel{\‾}{V}\left(t\right)}{\stackrel{\‾}{V}\left(t\right)}|,|\frac{V(t-1)-\stackrel{\‾}{V}(t-1)}{\stackrel{\‾}{V}(t-1)}|,...,|\frac{V(t-m+1)-\stackrel{\‾}{V}(t-m+1)}{\stackrel{\‾}{V}(t-m+1)}\left|\right)>\mathrm{\λ}---\left(4\right)$

$\max \left(\right|\frac{V\left(t\right)-\stackrel{\‾}{V}\left(t\right)}{\stackrel{\‾}{V}\left(t\right)}|,|\frac{V(t-1)-\stackrel{\‾}{V}(t-1)}{\stackrel{\‾}{V}(t-1)}|,...,|\frac{V(t-m+1)-\stackrel{\‾}{V}(t-m+1)}{\stackrel{\‾}{V}(t-m+1)}\left|\right)\≤\mathrm{\λ}---\left(5\right)$

式中：V(t)——当前数据分析时间间隔的ALS实测数据；

      V(t-l)——当前数据分析时间间隔前第t-l(l＝1，…，m-1)个间隔的ALS实测数据；

——当前数据分析时间间隔的ALS历史趋势数据；

——当前数据分析时间间隔前第t-l(l＝1，…，m-1)个间隔的ALS历史趋势数据；

λ——识别阈值。

(3)正确性识别

对于没有突变的ALS实测数据，本发明分别采用公式(6)和(7)确定正常数据的下、上限。如果ALS实测数据超出限值，则可以将其视为错误数据。

V′＝max(0，μ-Nσ)    (6)

V″＝μ+Nσ            (7)

式中：V′——正常ALS实测数据的下限；

      V″——正常ALS实测数据的上限；

      μ——所选ALS历史数据的均值；

      σ——所选ALS历史数据的标准差；

      N——标准差倍数。

根据当前数据分析时间间隔前一间隔的ALS实测数据是否发生突变，需将缺失数据的故障修复分为两种情况：其一，如果没有发生突变，则可认为ALS数据没有偏离历史趋势，此时可将ALS历史趋势数据代替ALS实测数据进行输出；其二，如果发生突变，则导致数据缺失的原因可能是道路拥堵严重，造成车辆无法通行，此时可将当前数据分析时间间隔前一间隔的ALS输出数据代替ALS实测数据进行输出。

由于突变的ALS实测数据可以反映真实的道路拥挤程度，因此无需对其进行故障修复。相反，错误的ALS实测数据不能反映真实的道路拥挤程度，因此需将ALS历史趋势数据代替ALS实测数据进行输出。综上所述，ALS实测数据的故障识别及修复流程如图2所示。

Claims (5)

1.一种基于GPS浮动车的交通数据故障识别与修复方法，其装置包括GPS系统、交叉口控制信号器、信号传输装置和计算机处理器，其特征在于交通数据故障识别与修复包括如下步骤：

1)通过实时进行浮动车停车状态识别，通过GPS系统得到车辆停车持续时间，然后结合交叉口控制信号配时数据进行单车路段行程速度数据的有效性识别；

2)通过计算机处理器实时判断同一数据分析时间间隔内的单车路段行程速度样本数据的标准离差率是否超过阈值，进行单车路段行程速度数据的离散性识别；

3)通过实时检测路段平均行程速度实测数据偏离历史趋势数据的幅度是否超过阈值，进行路段平均行程速度实测数据的突变性识别；

4)根据当前数据分析时间间隔前一间隔的路段平均行程速度实测数据是否发生突变，选择采用路段平均行程速度的历史趋势数据还是相邻数据分析时间间隔的输出数据进行缺失数据的修复；

5)选择适当数量的路段平均行程速度历史趋势数据，采用σ原则设置正常数据的上限和下限，进行单车路段行程速度数据的正确性识别。

2.根据权利要求1所述的交通数据故障识别与修复方法，其特征在于：有效性识别是GPS接收设备采集的车辆空间状态数据主要包括位置坐标、瞬时速度、航向，依据GPS序列的位置坐标、瞬时速度以及航向分别设计GPS浮动车停车状态识别方法。

3.根据权利要求1所述的交通数据故障识别与修复方法，其特征在于：离散性识别包括以下步骤

表达如下：

(1)输入ILS数据，判断ILS样本数量是否小于2，若是，则无法识别ILS离散数据，否则进行步骤(2)；

(2)判断公式(1)是否成立，若是，则进行步骤(3)，否则没有ILS离散数据；

(3)判断ILS样本数量是否等于2，若是，则剔除较小的ILS离散数据，否则依据公式(3)剔除离散程度最大的ILS数据，然后进行步骤(2)。

4.根据权利要求1所述的交通数据故障识别与修复方法，其特征在于：突变性识别是对于连续数据分析时间间隔，实测数据偏离历史趋势的幅度超过阈值，认为ALS实测数据已经发生了突变。

5.根据权利要求1所述的交通数据故障识别与修复方法，其特征在于：缺失性识别是对于数据分析时间间隔内的路段，搜索不到实测数据，则实测数据缺失。

Images